Advertisement

HMD Praxis der Wirtschaftsinformatik

, Volume 55, Issue 1, pp 91–103 | Cite as

Der unbekannte Kunde – Potenziale der Integration von Kundendaten

  • Henner Gimpel
  • Fabian Schmied
  • Anna-Luisa Stöber
Schwerpunkt
  • 655 Downloads

Zusammenfassung

Kunden haben heutzutage zahlreiche analoge und digitale Möglichkeiten, mit Unternehmen in Kontakt zu treten. Neben dem persönlichen Besuch einer Unternehmensfiliale oder eines Vertriebspartners können Kunden bspw. telefonisch, per E‑Mail, über Internetauftritte, durch Online Social Networks oder mithilfe von Mobile Apps Kontakt mit Unternehmen aufnehmen. Häufig werden bei diesen Interaktionen kundenbezogene Daten generiert. In Abhängigkeit des gewählten Kanals und des Anlasses der Interaktion werden die entstandenen Daten bei vielen Unternehmen in verschiedenen Datenbanken innerhalb oder außerhalb des Unternehmens, bspw. bei Tochtergesellschaften oder Vertriebspartnern, gespeichert. Dies liegt zum einen am unterschiedlichen Zweck der Datenbanken, kann aber auch auf datenschutzrechtliche Gründe oder auf das historische Wachstum der Unternehmens-IT zurückzuführen sein. Ein umfassendes Kundenverständnis wird durch diese Fragmentierung der Kundeninformationen deutlich erschwert. Diese Problematik greift der vorliegende Beitrag auf. Anhand eines Praxisbeispiels aus der Automobilindustrie wird aufgezeigt, wie entschieden werden kann, welche im Unternehmen vorhandenen Kundendaten zusammengeführt und welche Daten von Tochtergesellschaften oder externen Partnern integriert oder vom Unternehmen zusätzlich erhoben werden sollten. Ziel der Datenintegration ist es dabei, in den verschiedenen Unternehmensbereichen ein besseres Verständnis der Kundenbedürfnisse zu ermöglichen und letztlich eine durchgängige Customer Experience zu bieten – unabhängig davon, aus welchem Anlass und über welchen Kanal der Kontakt zwischen Unternehmen und Kunden stattfindet.

Schlüsselwörter

Kundendaten Datenintegration Vorgehensmodell Markov-Ketten 

The Unknown Customer – The Potential of Integrating Customer Data

Abstract

Today, customers can use a variety of traditional and digital channels to get in contact with companies, such as physical stores, phone, e‑mail, corporate websites, online social networks, or mobile apps. Customer data are generated in almost all customer-firm interactions. Depending on the channel and the reason of an interaction, customer data are stored in different databases inside or outside the company, e. g., at subsidiaries or distribution partners. This phenomenon may be caused by different reasons. On the one hand, most of the databases have been set up for different reasons. On the other hand, also data privacy laws and regulations may have an influence on data storage issues. Due to the fragmentation of customer data, the understanding of customers’ needs and preferences is complicated. These issues are addressed in the following article. Based on a real-world example from the automotive industry, the article shows how to decide which customer data from inside and outside the company should be integrated in a customer database. The integration of customer data aims to improve the understanding of customers’ needs and preferences in all parts of the company and to create a consistent customer experience across all channels.

Keywords

Customer data Data integration Procedure model Markov chains 

Literatur

  1. Anderson TW, Goodman LA (1957) Statistical Inference about Markov Chains. Ann Math Stat 28:89–110MathSciNetCrossRefzbMATHGoogle Scholar
  2. Boehm B, Clark B, Horowitz E, Westland C, Madachy R, Selby R (1995) Cost models for future software life cycle processes: COCOMO 2.0. Ann Softw Eng 1:57–94CrossRefGoogle Scholar
  3. Buhl HU, Röglinger M, Stöckl S, Braunwarth KS (2011) Value orientation in process management. Bus Inf Syst Eng 3:163–172CrossRefGoogle Scholar
  4. Deloitte, Informatica (2016) Big data and beyond: future-proofing data management and architecture investments. https://www2.deloitte.com/content/dam/Deloitte/us/Documents/about-deloitte/us-alliance-big-data-and-beyond.pdf. Zugegriffen: 09. Mai 2017Google Scholar
  5. Forrester (2015) Put the business back in your data management business case. https://www.forrester.com/report/Put+The+Business+Back+In+Your+Data+Management+Business+Case/-/E-RES126762. Zugegriffen: 09. Mai 2017Google Scholar
  6. Gartner (2015) Look before diving headfirst into a data lake. http://www.gartner.com/smarterwithgartner/look-before-diving-headfirst-into-a-data-lake-2/. Zugegriffen: 09. Mai 2017Google Scholar
  7. Gimpel H, Röglinger M (2015) Digital transformation: changes and chances – insights based on an empirical study. Project Group Business and Information Systems Engineering of the Fraunhofer Institute for Applied Information Technology FIT, Augsburg, BayreuthGoogle Scholar
  8. Goodhue DL, Wybo MD, Kirsch LJ (1992) The impact of data integration on the costs and benefits of information systems. MIS Q 16:293–311CrossRefGoogle Scholar
  9. Ha SH, Bae SM, Park SC (2002) Customer’s time-variant purchase behavior and corresponding marketing strategies: an online retailer’s case. Comput Ind Eng 43:801–820CrossRefGoogle Scholar
  10. Hansen R, Sia SK (2015) Hummel’s digital transformation toward omnichannel retailing: key lessons learned. Mis Q Exec 14:51–66Google Scholar
  11. Heinemann G (2013) No-Line-Systeme als höchste Evolutionsstufe des Multi-Channel-Handels. In: Keuper F, Hamidian K, Verwaayen E, Kalinowski T (Hrsg) Digitalisierung und Innovation. Springer, Wiesbaden, S 169–184CrossRefGoogle Scholar
  12. Kleindienst D, Nüske N, Rau D, Schmied F (2017) Beyond mere compliance – delighting customers by implementing data privacy measures? In: Leimeister JM, Brenner W (Hrsg) Proceedings der 13. Internationalen Tagung Wirtschaftsinformatik (WI 2017) St. Gallen, S 807–821Google Scholar
  13. Krcmar H (2015) Informationsmanagement, 6. Aufl. Springer, Berlin HeidelbergGoogle Scholar
  14. Lenzerini M (2002) Data integration: a theoretical perspective. In: Proceedings of the twenty-first ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems, ACM, S 233–246CrossRefGoogle Scholar
  15. Maier SC, Todte H (2013) Telematik – eine Revolution in der Kfz-Versicherung? Z Versicherungswes 23:776–782Google Scholar
  16. Pfeifer PE, Carraway RL (2000) Modeling customer relationships as Markov chains. J Interact Mark 14:43–55CrossRefGoogle Scholar
  17. pmOne (2017) Big data Analytics und data lake. https://www.pmone.com/loesungen/big-data/big-data-analytics-und-data-lake/. Zugegriffen: 31. Juli 2017Google Scholar
  18. Voigt S, Hinz O (2016) Making digital freemium business models a success: predicting customers’ lifetime value via initial purchase information. Bus Inf Syst Eng 58:107–118CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH 2017

Authors and Affiliations

  1. 1.Kernkompetenzzentrum Finanz- & InformationsmanagementUniversität AugsburgAugsburgDeutschland

Personalised recommendations